一种衰减趋势确定模型构建方法、衰减趋势确定方法

摘要

本申请公开了一种衰减趋势确定模型构建方法、衰减趋势确定方法，该方衰减趋势确定模型构建方法包括：在获取根据实验电池的耐久性实验数据确定的第一训练数据和使用电池的电池状态数据之后，先利用第一训练数据对机器学习模型进行训练，得到基础预测模型；再根据该使用电池的电池状态数据和该基础预测模型，生成第二训练数据；最后，根据该第二训练数据和该第一训练数据生成衰减趋势确定模型。其中，因第一训练数据能够表示出车辆电池在耐久性实验下的容量衰减趋势数据，且第二训练数据能够表示出车辆电池在实际应用中的容量衰减趋势数据，使得基于第二训练数据和第一训练数据生成的衰减趋势确定模型能够准确地预测出车辆电池的容量衰减趋势数据。

说明书

技术领域

本申请涉及数据处理技术领域，尤其涉及一种衰减趋势确定模型构建方法、衰减趋势确定方法。

背景技术

对于车辆(尤其是电动车辆、混合动力车辆)来说，车辆电池的容量会随着车辆的使用过程逐渐发生衰减，而且当车辆电池的容量衰减至一定程度时该车辆电池将无法被车辆使用。可见，根据车辆电池的容量衰减趋势数据能够确定该车辆电池的使用寿命。

然而，如何确定车辆电池的容量衰减趋势数据成为一个亟待解决的技术问题。

发明内容

为了解决现有技术中存在的以上技术问题，本申请提供一种衰减趋势确定模型构建方法、衰减趋势确定方法，能够准确地确定出车辆电池的容量衰减趋势数据。

为了实现上述目的，本申请实施例提供的技术方案如下：

本申请实施例提供一种衰减趋势确定模型构建方法，所述方法包括：

获取第一训练数据和使用电池的电池状态数据；其中，所述第一训练数据是根据实验电池的耐久性实验数据确定的；

利用第一训练数据对机器学习模型进行训练，得到基础预测模型；

根据所述使用电池的电池状态数据和所述基础预测模型，生成第二训练数据；

根据所述第二训练数据和所述第一训练数据，生成衰减趋势确定模型。

在一种可能的实施方式下，所述第一训练数据包括实验电池的电池状态数据和所述实验电池的标签容量衰减趋势数据；

所述利用第一训练数据对机器学习模型进行训练，得到基础预测模型，包括：

将所述实验电池的电池状态数据输入所述机器学习模型，得到所述机器学习模型输出的所述实验电池的第一预测容量衰减趋势数据；

根据所述实验电池的第一预测容量衰减趋势数据和所述实验电池的标签容量衰减趋势数据，更新所述机器学习模型，并继续执行所述将所述实验电池的电池状态数据输入所述机器学习模型及其后续步骤，直至在达到第一停止条件时，根据所述机器学习模型，确定基础预测模型。

在一种可能的实施方式下，所述根据所述使用电池的电池状态数据和所述基础预测模型，生成第二训练数据，包括：

将所述使用电池的电池状态数据输入所述基础预测模型，得到所述基础预测模型输出的所述使用电池的第一预测容量衰减趋势数据和所述使用电池的预测置信度；

在确定所述使用电池的预测置信度高于第一阈值时，根据所述使用电池的第一预测容量衰减趋势数据，确定所述使用电池的标签容量衰减趋势数据；

根据所述使用电池的电池状态数据和所述使用电池的标签容量衰减趋势数据，生成第二训练数据。

在一种可能的实施方式下，所述方法还包括：

在确定所述使用电池的预测置信度不高于第一阈值时，获取所述使用电池的实际容量衰减趋势数据；

根据所述使用电池的实际容量衰减趋势数据，确定所述使用电池的标签容量衰减趋势数据。

在一种可能的实施方式下，所述第一训练数据包括实验电池的电池状态数据和所述实验电池的标签容量衰减趋势数据；

所述根据所述第二训练数据和所述第一训练数据，生成衰减趋势确定模型，包括：

将所述实验电池的电池状态数据和所述使用电池的电池状态数据输入所述机器学习模型，得到所述机器学习模型输出的所述实验电池的第二预测容量衰减趋势数据和所述使用电池的第二预测容量衰减趋势数据；根据所述实验电池的第二预测容量衰减趋势数据、所述实验电池的标签容量衰减趋势数据、所述使用电池的第二预测容量衰减趋势数据和所述使用电池的标签容量衰减趋势数据，更新所述机器学习模型，并继续执行所述将所述实验电池的电池状态数据和所述使用电池的电池状态数据输入所述机器学习模型及其后续步骤，直至在达到第二停止条件时，根据所述机器学习模型，确定衰减趋势确定模型；

或者，

所述根据所述第二训练数据和所述第一训练数据，生成衰减趋势确定模型，包括：

将所述实验电池的电池状态数据和所述使用电池的电池状态数据输入所述基础预测模型，得到所述基础预测模型输出的所述实验电池的第三预测容量衰减趋势数据和所述使用电池的第三预测容量衰减趋势数据；根据所述实验电池的第三预测容量衰减趋势数据、所述实验电池的标签容量衰减趋势数据、所述使用电池的第三预测容量衰减趋势数据和所述使用电池的标签容量衰减趋势数据，更新所述基础预测模型，并继续执行所述将所述实验电池的电池状态数据和所述使用电池的电池状态数据输入所述基础预测模型及其后续步骤，直至在达到第三停止条件时，根据所述基础预测模型，确定衰减趋势确定模型。

在一种可能的实施方式下，所述第二训练数据包括第一扩充数据和第二扩充数据；

当所述使用电池为N个时，所述第二训练数据的生成过程为：

将所述第i个使用电池的电池状态数据输入所述基础预测模型，得到所述基础预测模型输出的所述第i个使用电池的第四预测容量衰减趋势数据和所述第i个使用电池的预测置信度；在确定所述第i个使用电池的预测置信度高于第二阈值时，根据所述第i个使用电池的电池状态数据和所述第i个使用电池的第四预测容量衰减趋势数据，确定第一扩充数据；在确定所述第i个使用电池的预测置信度不高于第二阈值时，获取所述第i个使用电池的实际容量衰减趋势数据，并根据所述第i个使用电池的电池状态数据和所述第i个使用电池的实际容量衰减趋势数据，确定第二扩充数据；其中，i为正整数，i≤N；

根据所述第一扩充数据和所述第二扩充数据，确定所述第二训练数据。

在一种可能的实施方式下，所述根据所述第二训练数据和所述第一训练数据，生成衰减趋势确定模型，包括：

利用所述第一扩充数据和所述第一训练数据对所述机器学习模型进行训练，得到第一模型；利用所述第一扩充数据、所述第二扩充数据和所述第一训练数据对所述第一模型进行训练，得到衰减趋势确定模型；

或者，

所述根据所述第二训练数据和所述第一训练数据，生成衰减趋势确定模型，包括：

利用所述第一扩充数据和所述第一训练数据对所述基础预测模型进行训练，得到第二模型；利用所述第一扩充数据、所述第二扩充数据和所述第一训练数据对所述第二模型进行训练，得到衰减趋势确定模型。

本申请实施例还提供了一种衰减趋势确定方法，所述方法包括：

获取目标电池的电池状态数据；

将所述目标电池的电池状态数据输入预先构建的衰减趋势确定模型，得到所述衰减趋势确定模型输出的所述目标电池的预测容量衰减趋势数据；其中，所述衰减趋势确定模型是利用本申请实施例提供的衰减趋势确定模型构建方法的任一实施方式进行构建的。

本申请实施例还提供了一种衰减趋势确定模型构建装置，所述装置包括：

第一获取单元，用于获取第一训练数据和使用电池的电池状态数据；其中，所述第一训练数据是根据实验电池的耐久性实验数据确定的；

模型训练单元，用于利用第一训练数据对机器学习模型进行训练，得到基础预测模型；

第一生成单元，用于根据所述使用电池的电池状态数据和所述基础预测模型，生成第二训练数据；

第二生成单元，用于根据所述第二训练数据和所述第一训练数据，生成衰减趋势确定模型。

本申请实施例还提供了一种衰减趋势确定装置，所述装置包括：

第二获取单元，用于获取目标电池的电池状态数据；

趋势预测单元，用于将所述目标电池的电池状态数据输入预先构建的衰减趋势确定模型，得到所述衰减趋势确定模型输出的所述目标电池的预测容量衰减趋势数据；其中，所述衰减趋势确定模型是利用本申请实施例提供的衰减趋势确定模型构建方法的任一实施方式进行构建的。

本申请实施例还提供了一种设备，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行本申请实施例提供的衰减趋势确定模型构建方法的任一实施方式，或者执行本申请实施例提供的衰减趋势确定方法的任一实施方式。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行本申请实施例提供的衰减趋势确定模型构建方法的任一实施方式，或者执行本申请实施例提供的衰减趋势确定方法的任一实施方式。

与现有技术相比，本申请实施例至少具有以下优点：

本申请实施例提供的衰减趋势确定模型构建方法中，在获取根据实验电池的耐久性实验数据确定的第一训练数据和使用电池的电池状态数据之后，先利用第一训练数据对机器学习模型进行训练，得到基础预测模型；再根据该使用电池的电池状态数据和该基础预测模型，生成第二训练数据；最后，根据该第二训练数据和该第一训练数据生成衰减趋势确定模型。

其中，因第一训练数据是根据实验电池的耐久性实验数据确定的，使得第一训练数据能够表示出车辆电池在耐久性实验下的容量衰减趋势；又因第二训练数据是根据使用电池的电池状态数据确定的，使得第二训练数据能够表示出车辆电池在实际应用中的容量衰减趋势，如此使得基于第二训练数据和第一训练数据生成的衰减趋势确定模型能够准确地预测出车辆电池的容量衰减趋势数据。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本申请实施例提供的一种衰减趋势确定模型构建方法的流程图；

图2为本申请实施例提供的一种衰减趋势确定方法的流程图；

图3为本申请实施例提供的一种衰减趋势确定模型构建装置的结构示意图；

图4为本申请实施例提供的一种衰减趋势确定装置的结构示意图。

具体实施方式

发明人在对车辆电池的容量衰减趋势数据的研究中发现，在相关技术中，可以利用预先构建的机器学习模型预测车辆电池的容量衰减趋势数据，而且该机器学习模型的构建过程需要使用大量带标签信息的训练数据。但是，因容量衰减趋势数据的影响因素(如，电压、电流、温度、内阻等等)较多，使得电池工况条件比较多，如此导致当技术人员通过电池耐久性实验生成训练数据时需要消耗大量资源成本(如，时间成本、人工成本以及资金成本)，还导致技术人员通过电池耐久性实验生成的训练数据无法全面覆盖车辆电池的所有工况条件。

为了解决背景技术部分的技术问题以及上述相关技术的缺陷，本申请实施例提供了一种衰减趋势确定模型构建方法，该方法包括：获取第一训练数据和使用电池的电池状态数据；利用第一训练数据对机器学习模型进行训练，得到基础预测模型；根据所述使用电池的电池状态数据和所述基础预测模型，生成第二训练数据；根据所述第二训练数据和所述第一训练数据，生成衰减趋势确定模型。其中，所述第一训练数据是根据实验电池的耐久性实验数据确定的。

可见，因第一训练数据是根据实验电池的耐久性实验数据确定的，使得第一训练数据能够表示出车辆电池在耐久性实验下的容量衰减趋势；又因第二训练数据是根据使用电池的电池状态数据确定的，使得第二训练数据能够表示出车辆电池在实际应用中的容量衰减趋势，如此使得基于第二训练数据和第一训练数据生成的衰减趋势确定模型能够准确地预测出车辆电池的容量衰减趋势数据。

另外，因大量使用电池的电池状态数据的获取过程比较简单，使得在衰减趋势确定模型的构建过程中无需使用大量耐久性实验数据，如此能够有效地降低获取训练数据时的资源消耗，从而能够有效地节约衰减趋势确定模型的构建过程。又因大量使用电池的电池状态数据几乎能够覆盖所有电池工况条件，使得基于使用电池的电池状态数据生成的第二训练数据几乎能够覆盖所有电池工况条件，从而使得基于第二训练数据和第一训练数据生成的衰减趋势确定模型能够准确地确定出车辆电池在各种电池工况条件下的容量衰减趋势数据，如此有利于提高车辆电池的容量衰减趋势数据的确定准确性。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参见图1，该图为本申请实施例提供的一种衰减趋势确定模型构建方法的流程图。

本申请实施例提供的衰减趋势确定模型构建方法，包括S101-S104：

S101：获取第一训练数据和使用电池的电池状态数据。

第一训练数据是根据实验电池的耐久性实验数据确定的。其中，实验电池是指在耐久性实验中使用的电池。需要说明的是，本申请实施例不限定第一训练数据的个数。

另外，本申请实施例不限定第一训练数据，例如，第一训练数据可以包括实验电池的电池状态数据和该实验电池的标签容量衰减趋势数据。其中，实验电池的电池状态数据可以在模型训练过程(例如，下文机器学习模型的训练过程、或者下文基础预测模型的训练过程)中充当模型输入数据的角色；而且，实验电池的标签容量衰减趋势数据可以在模型训练过程中充当标签信息的角色。

另外，本申请实施例不限定第一训练数据的获取过程，例如，当第一训练数据包括实验电池的电池状态数据和该实验电池的标签容量衰减趋势数据时，第一训练数据的确定过程具体可以为：先获取实验电池的电池状态数据以及该实验电池的实际容量衰减趋势数据，并将该实验电池的实际容量衰减趋势数据确定为该实验电池的标签容量衰减趋势数据；再根据实验电池的电池状态数据和该实验电池的标签容量衰减趋势数据，生成第一训练数据。

实验电池的电池状态数据用于描述该实验电池在达到预设工况条件的耐久性实验下所具有的状态信息(例如，电压、电流、温度、电池剩余电量百分比、内阻等)。需要说明的是，本申请实施例不限定实验电池的电池状态数据的个数。

实验电池的实际容量衰减趋势数据是指该实验电池的容量在达到预设工况条件的耐久性实验下所呈现的变化趋势。

使用电池是指在车辆的实际行驶过程中所使用的电池。

使用电池的电池状态数据用于描述该使用电池在车辆行驶过程中所具有的状态信息。另外，本申请实施例不限定使用电池的电池状态数据的获取过程，例如，可以从车辆管理设备(如，车辆管理服务器等)中获取。

基于上述S101的相关内容可知，在对衰减趋势确定模型进行构建之前，可以利用耐久性实验生成少量带标签信息的第一训练数据，并从预设车辆管理设备中获取大量不带标签信息的使用电池的电池状态数据，以便后续能够基于该少量带标签信息的第一训练数据和大量不带标签信息的使用电池的电池状态数据，并借助半监督学习的方式构建衰减趋势确定模型。

S102：利用第一训练数据对机器学习模型进行训练，得到基础预测模型。

其中，机器学习模型用于根据电池状态数据预测电池容量衰减趋势。

另外，本申请实施例不限定机器学习，可以采用现有的或未来出现的任一种机器学习模型进行实施。例如，该机器学习模型可以是包括softmax层的机器学习模型。

此外，本申请实施例不限定基础预测模型的生成过程，例如，在一种可能的实施方式中，若第一训练数据包括实验电池的电池状态数据和所述实验电池的标签容量衰减趋势数据，则该基础预测模型的生成过程具体可以包括步骤11-步骤15：

步骤11：将实验电池的电池状态数据输入机器学习模型，得到机器学习模型输出的实验电池的第一预测容量衰减趋势数据。

其中，实验电池的第一预测容量衰减趋势数据是指由机器学习模型针对实验电池的电池状态数据进行电池容量衰减趋势预测得到的。

步骤12：判断是否达到第一停止条件，若是，则执行步骤14；若否，则执行步骤13。

其中，第一停止条件是指预先设定的用于停止基于第一训练数据进行训练的机器学习模型的训练过程。另外，本申请实施例不限定第一停止条件，例如，第一停止条件可以是实验电池的第一预测容量衰减趋势数据和实验电池的标签容量衰减趋势数据之间的差距低于第一差距阈值，也可以是实验电池的第一预测容量衰减趋势数据的预测变化率低于第一变化阈值，还可以是机器学习模型的更新次数达到第一次数阈值。

步骤13：根据实验电池的第一预测容量衰减趋势数据和实验电池的标签容量衰减趋势数据，更新机器学习模型，并返回执行步骤11。

本申请实施例中，在确定当前的机器学习模型未达到第一停止条件时，可以确定该机器学习模型的预测性能较差，故可以根据实验电池的第一预测容量衰减趋势数据和实验电池的标签容量衰减趋势数据之间的差距对该机器学习模型进行更新，以使更新后的机器学习模型能够具有更高的预测性能。

步骤14：根据机器学习模型，确定基础预测模型。

本申请实施例中，在确定当前的机器学习模型达到第一停止条件时，可以确定该机器学习模型的预测性能较好，故可以直接根据当前的机器学习模型确定基础预测模型(例如，直接将当前的机器学习模型确定为基础预测模型)，以使基础预测模型能够根据电池状态数据预测电池容量衰减趋势。

基于上述步骤11至步骤14的相关内容可知，在获取到第一训练数据之后，可以第一训练数据对机器学习模型进行训练，并将训练好的机器学习模型确定为基础预测模型。需要说明的是，本申请实施例不限定机器学习模型的训练过程，可以采用现有的或未来出现的任一种机器学习模型的训练方法进行实施。

S103：根据使用电池的电池状态数据和基础预测模型，生成第二训练数据。

其中，第二训练数据是根据使用电池的电池状态数据生成的带标签信息的数据。

另外，本申请实施例不限定第二训练数据，例如，第二训练数据可以包括使用电池的电池状态数据和使用电池的标签容量衰减趋势数据。其中，使用电池的电池状态数据可以在模型训练过程(例如，下文机器学习模型的训练过程、或者下文基础预测模型的训练过程)中充当模型输入数据的角色；而且，使用电池的标签容量衰减趋势数据可以在模型训练过程中充当标签信息的角色。

此外，本申请实施例不限定第二训练数据的生成过程，为了便于理解，下面结合第二训练数据的三种可能的实施方式进行说明。

在第一种可能的实施方式下，第二训练数据的生成过程可以包括步骤21-步骤23：

步骤21：将使用电池的电池状态数据输入基础预测模型，得到基础预测模型输出的使用电池的第一预测容量衰减趋势数据和使用电池的预测置信度。

其中，使用电池的第一预测容量衰减趋势数据是指由基础预测模型针对使用电池的电池状态数据进行电池容量衰减趋势预测得到的。

使用电池的预测置信度用于描述该使用电池的第一预测容量衰减趋势数据的置信度。另外，本申请实施例不限定使用电池的预测置信度，例如，使用电池的预测置信度可以表征基础预测模型针对使用电池的电池状态数据输出该使用电池的第一预测容量衰减趋势数据的概率。此外，本申请实施例不限定使用电池的预测置信度的获取方式，例如，若基础预测模型包括softmax层，则该使用电池的预测置信度可以是基础预测模型中softmax层的输出数据。

本申请实施例中，在获取到基础预测模型和使用电池的电池状态数据之后，可以将该使用电池的电池状态数据输入基础预测模型，以使该基础预测模型针对该使用电池的电池状态数据进行电池容量衰减趋势预测，得到并输出该使用电池的第一预测容量衰减趋势数据和该使用电池的预测置信度。

步骤22：在确定使用电池的预测置信度高于第一阈值时，根据使用电池的第一预测容量衰减趋势数据，确定使用电池的标签容量衰减趋势数据。其中，第一阈值可以预先设定。

本申请实施例中，在获取到使用电池的预测置信度之后，可以判断该使用电池的预测置信度是否高于第一阈值，若高于，则表示该使用电池的第一预测容量衰减趋势数据的可信性较高，故可以直接根据该使用电池的第一预测容量衰减趋势数据，确定该使用电池的标签容量衰减趋势数据(例如，直接将使用电池的第一预测容量衰减趋势数据，确定为该使用电池的标签容量衰减趋势数据)。

步骤23：根据使用电池的电池状态数据和使用电池的标签容量衰减趋势数据，生成第二训练数据。

本申请实施例中，在获取到使用电池的标签容量衰减趋势数据之后，可以直接根据使用电池的电池状态数据和该使用电池的标签容量衰减趋势数据，生成第二训练数据，以使该第二训练数据能够包括各个使用电池的电池状态数据以及标签容量衰减趋势数据。

基于上述步骤21至步骤23的相关内容可知，在获取到使用电池的电池状态数据和基础预测模型之后，可以借助该基础预测模型生成该使用电池的第一预测容量衰减趋势数据，以便后续能够基于该使用电池的第一预测容量衰减趋势数据，确定该使用电池的伪标签信息，如此使得后续能够基于该到使用电池的电池状态数据及其伪标签信息构建衰减趋势确定模型。

另外，为了进一步扩大构建衰减趋势确定模型时能够使用的训练数据，本申请实施例还提供了生成第二训练数据的第二种可能的实施方式，其具体可以包括步骤31-步骤35：

步骤31：将使用电池的电池状态数据输入基础预测模型，得到基础预测模型输出的使用电池的第一预测容量衰减趋势数据和使用电池的预测置信度。

需要说明的是，步骤31的内容与上文步骤21的内容相同，请参见上文步骤21。

步骤32：判断使用电池的预测置信度是否高于第一阈值，若是，则执行步骤33和步骤36；若否，则执行步骤34-步骤36。

本申请实施例中，在获取到使用电池的预测置信度之后，可以判断该使用电池的预测置信度是否高于第一阈值，若高于，则表示该使用电池的第一预测容量衰减趋势数据的可信性较高，故可以直接根据该使用电池的第一预测容量衰减趋势数据，确定该使用电池的标签容量衰减趋势数据；若不高于，则表示使用电池的第一预测容量衰减趋势数据的可信性较低，故为了避免浪费数据，可以根据该使用电池的实际容量衰减趋势数据，确定使用电池的标签容量衰减趋势数据。

步骤33：根据使用电池的第一预测容量衰减趋势数据，确定使用电池的标签容量衰减趋势数据。

需要说明的是，步骤33的内容与上文步骤22的内容相同，请参见上文步骤22。

步骤34：获取使用电池的实际容量衰减趋势数据。

其中，使用电池的实际容量衰减趋势数据用于描述该使用电池的真实容量衰减趋势。另外，本申请实施例不限定使用电池的实际容量衰减趋势数据的获取方式，例如，可以利用耐久性实验模拟该使用电池的电池状态数据所对应的工况条件，以便得到实验电池在该工况条件下所呈现的实际容量衰减趋势数据，作为该使用电池的实际容量衰减趋势数据。

步骤35：根据使用电池的实际容量衰减趋势数据，确定使用电池的标签容量衰减趋势数据。

本申请实施例中，在获取到使用电池的实际容量衰减趋势数据之后，可以根据该使用电池的实际容量衰减趋势数据，确定使用电池的标签容量衰减趋势数据(例如，直接将该使用电池的实际容量衰减趋势数据确定为使用电池的标签容量衰减趋势数据)。

步骤36：根据使用电池的电池状态数据和使用电池的标签容量衰减趋势数据，生成第二训练数据。

需要说明的是，步骤36的内容与上文步骤23的内容相同，请参见上文步骤23。

基于上述步骤31至步骤36的相关内容可知，在获取到使用电池的电池状态数据和基础预测模型之后，可以借助该基础预测模型生成该使用电池的第一预测容量衰减趋势数据和该使用电池的预测置信度，以使在确定该使用电池的预测置信度高于第一阈值时，基于该使用电池的第一预测容量衰减趋势数据，确定该使用电池的标签容量衰减趋势数据，并在确定该使用电池的预测置信度不高于第一阈值时，基于该使用电池的实际容量衰减趋势数据，确定使用电池的标签容量衰减趋势数据，以便后续能够基于各个使用电池的电池状态数据及其标签容量衰减趋势数据构建衰减趋势确定模型，如此能够实现所有的使用电池的电池状态数据均参与到衰减趋势确定模型的构建过程中，能够有效地避免数据浪费，从而能够有效地扩大构建衰减趋势确定模型时能够使用的训练数据，从而有利于提高衰减趋势确定模型的预测性能。

在一些情况下，可以将第二训练数据划分成两种类型数据(例如，第一扩充数据和第二扩充数据)，以便后续在衰减趋势确定模型的构建过程能够针对该两种类型数据采取不同的使用方式。基于此，本申请实施例还提供了生成第二训练数据的第三种可能的实施方式，在该实施方式中，当使用电池为N个时，第二训练数据的生成过程具体可以包括步骤41-步骤42：

步骤41：根据基础预测模型，生成各个使用电池的电池状态数据对应的训练数据。

第i个使用电池的电池状态数据对应的训练数据可以是第一扩充数据或者第二扩充数据。其中，i为正整数，i≤N。

需要说明的是，因各个使用电池的电池状态数据对应的训练数据的生成过程类似，故为了便于理解，下面以第i个使用电池的电池状态数据对应的训练数据为例进行说明。

作为示例，当第i个使用电池的电池状态数据对应的训练数据为第一扩充数据或者第二扩充数据时，该第i个使用电池的电池状态数据对应的训练数据的生成过程具体可以包括步骤51-步骤54：

步骤51：将第i个使用电池的电池状态数据输入基础预测模型，得到基础预测模型输出的第i个使用电池的第四预测容量衰减趋势数据和第i个使用电池的预测置信度。

其中，第i个使用电池的第四预测容量衰减趋势数据是指由基础预测模型针对第i个使用电池的电池状态数据进行电池容量衰减趋势预测得到的。

第i个使用电池的预测置信度用于描述该第i个使用电池的第四预测容量衰减趋势数据的置信度。另外，本申请实施例不限定第i个使用电池的预测置信度，例如，第i个使用电池的预测置信度可以表征基础预测模型针对第i个使用电池的电池状态数据输出该第i个使用电池的第四预测容量衰减趋势数据的概率。此外，本申请实施例不限定第i个使用电池的预测置信度的获取方式，例如，若基础预测模型包括softmax层，则该第i个使用电池的预测置信度度可以是基础预测模型中softmax层的输出数据。

本申请实施例中，在获取到基础预测模型和第i个使用电池的电池状态数据之后，可以将该第i个使用电池的电池状态数据输入基础预测模型，以使该基础预测模型针对该第i个使用电池的电池状态数据进行电池容量衰减趋势预测，得到并输出该第i个使用电池的第四预测容量衰减趋势数据和该第i个使用电池的预测置信度。

步骤52：判断第i个使用电池的预测置信度是否高于第二阈值，若是，则执行步骤53；若否，则执行步骤54。其中，第二阈值可以预先设定。

本申请实施例中，在获取到第i个使用电池的预测置信度之后，可以判断该第i个使用电池的预测置信度是否高于第二阈值，若高于，则表示该第i个使用电池的第四预测容量衰减趋势数据的可信性较高，故可以直接根据第i个使用电池的电池状态数据和该第i个使用电池的第四预测容量衰减趋势数据，确定第一扩充数据(例如，直接将第i个使用电池的电池状态数据和该第i个使用电池的第四预测容量衰减趋势数据确定为一个第一扩充数据)；若不高于，则表示该第i个使用电池的第四预测容量衰减趋势数据的可信性较低，故可以根据第i个使用电池的电池状态数据和第i个使用电池的实际容量衰减趋势数据，确定第二扩充数据(例如，直接将第i个使用电池的电池状态数据和第i个使用电池的实际容量衰减趋势数据，确定为一个第二扩充数据)。

步骤53：根据第i个使用电池的电池状态数据和第i个使用电池的第四预测容量衰减趋势数据，确定第一扩充数据。

步骤54：获取第i个使用电池的实际容量衰减趋势数据，并根据第i个使用电池的电池状态数据和第i个使用电池的实际容量衰减趋势数据，确定第二扩充数据。

需要说明的是，本申请实施例不限定第i个使用电池的实际容量衰减趋势数据的获取过程，例如，第i个使用电池的实际容量衰减趋势数据可以采用上文步骤34提供的获取使用电池的实际容量衰减趋势数据的任一实施方式进行实施。

基于上述步骤51至步骤54的相关内容可知，在获取到第i个使用电池的电池状态数据和基础预测模型之后，可以借助该基础预测模型生成该第i个使用电池的第四预测容量衰减趋势数据和该第i个使用电池的预测置信度，以使在确定该第i个使用电池的预测置信度高于第二阈值时，以使在确定该第i个使用电池的预测置信度高于第二阈值时，基于第i个使用电池的电池状态数据和第i个使用电池的第四预测容量衰减趋势数据生成第一扩充数据，并在确定该第i个使用电池的预测置信度不高于第二阈值时，基于第i个使用电池的电池状态数据和第i个使用电池的实际容量衰减趋势数据确定第二扩充数据。

需要说明的是，第1个使用电池的电池状态数据对应的训练数据至第N个使用电池的电池状态数据对应的训练数据均可以采用上述步骤51至步骤54生成，为了简要起见，在此不再赘述。

步骤42：根据第1个使用电池的电池状态数据对应的训练数据至第N个使用电池的电池状态数据对应的训练数据，确定第二训练数据。

本申请实施例中，在获取到第1个使用电池的电池状态数据对应的训练数据至第N个使用电池的电池状态数据对应的训练数据之后，可以根据第1个使用电池的电池状态数据对应的训练数据至第N个使用电池的电池状态数据对应的训练数据，确定第二数据。其中，因第1个使用电池的电池状态数据对应的训练数据至第N个使用电池的电池状态数据对应的训练数据中包括至少一个第一扩充数据和至少一个第二扩充数据，故步骤42具体可以为：根据第一扩充数据和第二扩充数据，确定第二训练数据。

基于上述步骤41至步骤42的相关内容可知，在获取到N个使用电池的电池状态数据和基础预测模型之后，可以先根据该N个使用电池的电池状态数据和基础预测模型，生成至少一个第一扩充数据和至少一个第二扩充数据；再根据至少一个第一扩充数据和至少一个第二扩充数据，确定第二训练数据。其中，因第二训练数据包括两种不同类型数据，故后续在衰减趋势确定模型的构建过程中能够针对不同类型数据采用不同的处理手段，如此有利于提高衰减趋势确定模型的预测准确性。

基于上述S103的相关内容可知，在获取到大量使用电池的电池状态数据和基础预测模型之后，可以借助基础预测模型为这些使用电池的电池状态数据添加标签信息，以便后续能够基于这些使用电池的电池状态数据及其标签信息构建衰减趋势确定模型。

S104：根据第二训练数据和第一训练数据，生成衰减趋势确定模型。

其中，衰减趋势确定模型可以是利用第二训练数据和第一训练数据对预设模型进行训练得到的。

另外，本申请实施例不限定预设模型，例如，预设模型可以是上文的机器学习模型，也可以是上文的基础预测模型。

此外，本申请实施例不限定衰减趋势确定模型的生成过程，为了便于理解，下面结合两种可能的实施方式进行说明。

在第一种可能的实施方式下，S104具体可以为：利用第二训练数据和第一训练数据对机器学习模型进行训练，得到衰减趋势确定模型。

需要说明的是，本申请实施例不限定S104中机器学习模型的训练过程，为了便于理解，下面结合两个示例进行说明。

示例1，当第一训练数据包括实验电池的电池状态数据和该实验电池的标签容量衰减趋势数据，且第二训练数据包括使用电池的电池状态数据和使用电池的标签容量衰减趋势数据时，S104具体可以包括步骤61-步骤64：

步骤61：将实验电池的电池状态数据和使用电池的电池状态数据输入机器学习模型，得到机器学习模型输出的实验电池的第二预测容量衰减趋势数据和使用电池的第二预测容量衰减趋势数据。

其中，实验电池的第二预测容量衰减趋势数据是指由机器学习模型针对实验电池的电池状态数据进行电池容量衰减趋势预测得到的。

使用电池的第二预测容量衰减趋势数据是指由机器学习模型针对使用电池的电池状态数据进行电池容量衰减趋势预测得到的。

步骤62：判断是否达到第二停止条件，若是，则执行步骤64；若否，则执行步骤63。

其中，第二停止条件是指预先设定的用于停止基于第一训练数据和第二训练数据进行训练的机器学习模型的训练过程。另外，本申请实施例不限定第二停止条件，例如，第二停止条件可以是第二预测容量衰减趋势数据与标签容量衰减趋势数据之间的差距(例如，实验电池的第二预测容量衰减趋势数据与实验电池的标签容量衰减趋势数据之间的差距、以及使用电池的第二预测容量衰减趋势数据与使用电池的标签容量衰减趋势数据之间的差距)低于第二差距阈值，也可以是第二预测容量衰减趋势数据(例如，实验电池的第二预测容量衰减趋势数据和使用电池的第二预测容量衰减趋势数据)的预测变化率低于第二变化阈值，还可以是机器学习模型的更新次数达到第二次数阈值。

步骤63：根据实验电池的第二预测容量衰减趋势数据、实验电池的标签容量衰减趋势数据、使用电池的第二预测容量衰减趋势数据和使用电池的标签容量衰减趋势数据，更新机器学习模型，并返回继续执行步骤61。

本申请实施例中，在确定当前的机器学习模型未达到第二停止条件时，可以确定该机器学习模型的预测性能较差，故可以根据实验电池的第二预测容量衰减趋势数据与该实验电池的标签容量衰减趋势数据之间的差距、以及使用电池的第二预测容量衰减趋势数据和该使用电池的标签容量衰减趋势数据之间的差距对该机器学习模型进行更新，以使更新后的机器学习模型能够具有更高的预测性能。

步骤64：根据机器学习模型，确定衰减趋势确定模型。

本申请实施例中，在确定当前的机器学习模型达到第二停止条件时，可以确定该机器学习模型的预测性能较好，故可以直接根据当前的机器学习模型确定衰减趋势确定模型(例如，直接将当前的机器学习模型确定为衰减趋势确定模型)，以使该衰减趋势确定模型能够根据电池状态数据准确地预测电池容量衰减趋势数据。

基于上述步骤61至步骤64的相关内容可知，在获取到实验电池的电池状态数据、该实验电池的标签容量衰减趋势数据、使用电池的电池状态数据和该使用电池的标签容量衰减趋势数据之后，可以直接利用实验电池的电池状态数据、该实验电池的标签容量衰减趋势数据、使用电池的电池状态数据和该使用电池的标签容量衰减趋势数据对机器学习模型进行训练，并将训练好的机器学习模型确定为衰减趋势确定模型。

示例2，当第二训练数据包括第一扩充数据和第二扩充数据时，S104具体可以包括步骤71-步骤72：

步骤71：利用第一扩充数据和第一训练数据对机器学习模型进行训练，得到第一模型。

其中，第一扩充数据包括使用电池的电池状态数据和该使用电池的第四预测容量衰减趋势数据。其中，使用电池的电池状态数据可以在步骤71的模型训练过程中充当模型输入数据的角色；而且，使用电池的第四预测容量衰减趋势数据可以在模型训练过程中充当标签信息的角色。

本申请实施例不限定第一模型的训练过程，可以采用现有的或未来出现的任一种模型训练方法进行实施。例如，在一种可能的实施方式下，当第一训练数据包括实验电池的电池状态数据和实验电池的标签容量衰减趋势数据时，该步骤71具体可以包括步骤711-步骤714：

步骤711：将实验电池的电池状态数据和使用电池的电池状态数据输入机器学习模型，得到机器学习模型输出的实验电池的第五预测容量衰减趋势数据和使用电池的第五预测容量衰减趋势数据。

其中，实验电池的第五预测容量衰减趋势数据是指由机器学习模型针对实验电池的电池状态数据进行电池容量衰减趋势预测得到的。

使用电池的第五预测容量衰减趋势数据是指由机器学习模型针对使用电池的电池状态数据进行电池容量衰减趋势预测得到的。

步骤712：判断是否达到第四停止条件，若是，则执行步骤714；若否，则执行步骤713。

其中，第四停止条件是指预先设定的用于停止基于第一训练数据和第二训练数据进行训练的机器学习模型的训练过程。另外，本申请实施例不限定第四停止条件，例如，第四停止条件可以是第五预测容量衰减趋势数据与标签容量衰减趋势数据之间的差距(例如，实验电池的第五预测容量衰减趋势数据与实验电池的标签容量衰减趋势数据之间的差距、以及使用电池的第五预测容量衰减趋势数据与使用电池的第四预测容量衰减趋势数据之间的差距)低于第四差距阈值，也可以是第五预测容量衰减趋势数据(例如，实验电池的第五预测容量衰减趋势数据和使用电池的第五预测容量衰减趋势数据)的预测变化率低于第四变化阈值，还可以是机器学习模型的更新次数达到第四次数阈值。

步骤713：根据实验电池的第五预测容量衰减趋势数据、实验电池的标签容量衰减趋势数据、使用电池的第五预测容量衰减趋势数据和使用电池的第四预测容量衰减趋势数据，更新机器学习模型，并返回继续执行步骤711。

本申请实施例中，在确定当前的机器学习模型未达到第四停止条件时，可以确定该机器学习模型的预测性能较差，故可以根据实验电池的第五预测容量衰减趋势数据与该实验电池的标签容量衰减趋势数据之间的差距、以及使用电池的第五预测容量衰减趋势数据和该使用电池的第四预测容量衰减趋势数据之间的差距对该机器学习模型进行更新，以使更新后的机器学习模型能够具有更高的预测性能。

步骤714：根据机器学习模型，确定第一模型。

本申请实施例中，在确定当前的机器学习模型达到第四停止条件时，可以确定该机器学习模型的预测性能较好，故可以直接根据当前的机器学习模型确定第一模型(例如，直接将当前的机器学习模型确定为第一模型)，以使该第一模型能够根据电池状态数据准确地预测电池容量衰减趋势数据。

基于上述步骤711至步骤714的相关内容可知，在获取到实验电池的电池状态数据、该实验电池的标签容量衰减趋势数据、使用电池的电池状态数据和该使用电池的第四预测容量衰减趋势数据之后，可以直接利用实验电池的电池状态数据、该实验电池的标签容量衰减趋势数据、使用电池的电池状态数据和该使用电池的第四预测容量衰减趋势数据对机器学习模型进行训练，并将训练好的机器学习模型确定为第一模型。

步骤72：利用第一扩充数据、第二扩充数据和第一训练数据对第一模型进行训练，得到衰减趋势确定模型。

其中，第一扩充数据包括使用电池的电池状态数据和该使用电池的第四预测容量衰减趋势数据。其中，使用电池的电池状态数据可以在步骤72的模型训练过程中充当模型输入数据的角色；而且，使用电池的第四预测容量衰减趋势数据可以在模型训练过程中充当标签信息的角色。

第二扩充数据包括使用电池的电池状态数据和该使用电池的实际容量衰减趋势数据。其中，使用电池的电池状态数据可以在步骤72的模型训练过程中充当模型输入数据的角色；而且，使用电池的实际容量衰减趋势数据可以在模型训练过程中充当标签信息的角色。

另外，当第一训练数据包括实验电池的电池状态数据和该实验电池的标签容量衰减趋势数据时，实验电池的电池状态数据可以在步骤72的模型训练过程中充当模型输入数据的角色；而且，实验电池的标签容量衰减趋势数据可以在模型训练过程中充当标签信息的角色。

此外，本申请实施例不限定第一模型的训练过程，可以采用任一种模型训练过程进行实施。

基于上述步骤72的相关内容可知，在获取到第一模型之后，可以利用第一扩充数据、第二扩充数据和第一训练数据对该第一模型进行训练，并将训练好的第一模型确定为衰减趋势确定模型。

基于上述步骤71至步骤72的相关内容可知，本申请实施例中，在获取到第一扩充数据、第二扩充数据和第一训练数据之后，可以先利用第一扩充数据和第一训练数据对机器学习模型进行训练，并将训练好的机器学习模型确定为第一模型；再利用第一扩充数据、第二扩充数据和第一训练数据对该第一模型进行迁移学习，得到衰减趋势确定模型，如此能够有效地提高衰减趋势确定模型的预测准确性。

基于上述S104的第一种可能的实施方式的相关内容可知，在获取到第二训练数据和第一训练数据之后，可以利用第二训练数据和第一训练数据对机器学习模型进行学习，得到衰减趋势确定模型，如此能够有效地提高衰减趋势确定模型的预测准确性。

在第二种可能的实施方式下，S104具体可以为：利用第二训练数据和第一训练数据对基础预测模型进行训练，得到衰减趋势确定模型。

示例一，当第一训练数据包括实验电池的电池状态数据和该实验电池的标签容量衰减趋势数据，且第二训练数据包括使用电池的电池状态数据和使用电池的标签容量衰减趋势数据时，S104具体可以包括步骤81-步骤84：

步骤81：将实验电池的电池状态数据和使用电池的电池状态数据输入基础预测模型，得到基础预测模型输出的实验电池的第三预测容量衰减趋势数据和使用电池的第三预测容量衰减趋势数据。

其中，实验电池的第三预测容量衰减趋势数据是指由基础预测模型针对实验电池的电池状态数据进行电池容量衰减趋势预测得到的。

使用电池的第三预测容量衰减趋势数据是指由基础预测模型针对使用电池的电池状态数据进行电池容量衰减趋势预测得到的。

步骤82：判断是否达到第三停止条件，若是，则执行步骤84；若否，则执行步骤83。

其中，第三停止条件是指预先设定的用于停止基于第一训练数据和第三训练数据进行训练的基础预测模型的训练过程。另外，本申请实施例不限定第三停止条件，例如，第三停止条件可以是第三预测容量衰减趋势数据与标签容量衰减趋势数据之间的差距(例如，实验电池的第三预测容量衰减趋势数据与实验电池的标签容量衰减趋势数据之间的差距、以及使用电池的第三预测容量衰减趋势数据与使用电池的标签容量衰减趋势数据之间的差距)低于第三差距阈值，也可以是第三预测容量衰减趋势数据(例如，实验电池的第三预测容量衰减趋势数据和使用电池的第三预测容量衰减趋势数据)的预测变化率低于第三变化阈值，还可以是基础预测模型的更新次数达到第三次数阈值。

步骤83：根据实验电池的第三预测容量衰减趋势数据、实验电池的标签容量衰减趋势数据、使用电池的第三预测容量衰减趋势数据和使用电池的标签容量衰减趋势数据，更新基础预测模型，并返回继续执行步骤81。

本申请实施例中，在确定当前的基础预测模型未达到第三停止条件时，可以确定该基础预测模型的预测性能较差，故可以根据实验电池的第三预测容量衰减趋势数据与该实验电池的标签容量衰减趋势数据之间的差距、以及使用电池的第三预测容量衰减趋势数据和该使用电池的标签容量衰减趋势数据之间的差距对该基础预测模型进行更新，以使更新后的基础预测模型能够具有更高的预测性能。

步骤84：根据基础预测模型，确定衰减趋势确定模型。

本申请实施例中，在确定当前的基础预测模型达到第三停止条件时，可以确定该基础预测模型的预测性能较好，故可以直接根据当前的基础预测模型确定衰减趋势确定模型(例如，直接将当前的基础预测模型确定为衰减趋势确定模型)，以使该衰减趋势确定模型能够根据电池状态数据准确地预测电池容量衰减趋势数据。

基于上述步骤81至步骤84的相关内容可知，在获取到实验电池的电池状态数据、该实验电池的标签容量衰减趋势数据、使用电池的电池状态数据和该使用电池的标签容量衰减趋势数据之后，可以直接利用实验电池的电池状态数据、该实验电池的标签容量衰减趋势数据、使用电池的电池状态数据和该使用电池的标签容量衰减趋势数据对基础预测模型进行训练，并将训练好的基础预测模型确定为衰减趋势确定模型。

示例二，当第二训练数据包括第一扩充数据和第二扩充数据时，S104具体可以包括步骤91-步骤92：

步骤91：利用第一扩充数据和第一训练数据对基础预测模型进行训练，得到第二模型。

其中，第一扩充数据包括使用电池的电池状态数据和该使用电池的第四预测容量衰减趋势数据。其中，使用电池的电池状态数据可以在步骤91的模型训练过程中充当模型输入数据的角色；而且，使用电池的第四预测容量衰减趋势数据可以在模型训练过程中充当标签信息的角色。

本申请实施例不限定第二模型的训练过程，可以采用现有的或未来出现的任一种模型训练方法进行实施。例如，在一种可能的实施方式下，当第一训练数据包括实验电池的电池状态数据和实验电池的标签容量衰减趋势数据时，该步骤91具体可以包括步骤911-步骤914：

步骤911：将实验电池的电池状态数据和使用电池的电池状态数据输入基础预测模型，得到基础预测模型输出的实验电池的第六预测容量衰减趋势数据和使用电池的第六预测容量衰减趋势数据。

其中，实验电池的第六预测容量衰减趋势数据是指由基础预测模型针对实验电池的电池状态数据进行电池容量衰减趋势预测得到的。

使用电池的第六预测容量衰减趋势数据是指由基础预测模型针对使用电池的电池状态数据进行电池容量衰减趋势预测得到的。

步骤912：判断是否达到第五停止条件，若是，则执行步骤914；若否，则执行步骤913。

其中，第五停止条件是指预先设定的用于停止基于第一训练数据和第二训练数据进行训练的基础预测模型的训练过程。另外，本申请实施例不限定第五停止条件，例如，第五停止条件可以是第六预测容量衰减趋势数据与标签容量衰减趋势数据之间的差距(例如，实验电池的第六预测容量衰减趋势数据与实验电池的标签容量衰减趋势数据之间的差距、以及使用电池的第六预测容量衰减趋势数据与使用电池的第四预测容量衰减趋势数据之间的差距)低于第五差距阈值，也可以是第六预测容量衰减趋势数据(例如，实验电池的第六预测容量衰减趋势数据和使用电池的第六预测容量衰减趋势数据)的预测变化率低于第五变化阈值，还可以是基础预测模型的更新次数达到第五次数阈值。

步骤913：根据实验电池的第六预测容量衰减趋势数据、实验电池的标签容量衰减趋势数据、使用电池的第六预测容量衰减趋势数据和使用电池的第四预测容量衰减趋势数据，更新基础预测模型，并返回继续执行步骤911。

本申请实施例中，在确定当前的基础预测模型未达到第五停止条件时，可以确定该基础预测模型的预测性能较差，故可以根据实验电池的第六预测容量衰减趋势数据与该实验电池的标签容量衰减趋势数据之间的差距、以及使用电池的第六预测容量衰减趋势数据和该使用电池的第四预测容量衰减趋势数据之间的差距对该基础预测模型进行更新，以使更新后的基础预测模型能够具有更高的预测性能。

步骤914：根据基础预测模型，确定第二模型。

本申请实施例中，在确定当前的基础预测模型达到第五停止条件时，可以确定该基础预测模型的预测性能较好，故可以直接根据当前的基础预测模型确定第二模型(例如，直接将当前的基础预测模型确定为第二模型)，以使该第二模型能够根据电池状态数据准确地预测电池容量衰减趋势数据。

基于上述步骤911至步骤914的相关内容可知，在获取到实验电池的电池状态数据、该实验电池的标签容量衰减趋势数据、使用电池的电池状态数据和该使用电池的第四预测容量衰减趋势数据之后，可以直接利用实验电池的电池状态数据、该实验电池的标签容量衰减趋势数据、使用电池的电池状态数据和该使用电池的第四预测容量衰减趋势数据对基础预测模型进行训练，并将训练好的基础预测模型确定为第二模型。

步骤92：利用第一扩充数据、第二扩充数据和第一训练数据对第二模型进行训练，得到衰减趋势确定模型。

其中，第一扩充数据包括使用电池的电池状态数据和该使用电池的第四预测容量衰减趋势数据。其中，使用电池的电池状态数据可以在步骤92的模型训练过程中充当模型输入数据的角色；而且，使用电池的第四预测容量衰减趋势数据可以在模型训练过程中充当标签信息的角色。

第二扩充数据包括使用电池的电池状态数据和该使用电池的实际容量衰减趋势数据。其中，使用电池的电池状态数据可以在步骤92的模型训练过程中充当模型输入数据的角色；而且，使用电池的实际容量衰减趋势数据可以在模型训练过程中充当标签信息的角色。

另外，当第一训练数据包括实验电池的电池状态数据和该实验电池的标签容量衰减趋势数据时，实验电池的电池状态数据可以在步骤92的模型训练过程中充当模型输入数据的角色；而且，实验电池的标签容量衰减趋势数据可以在模型训练过程中充当标签信息的角色。

此外，本申请实施例不限定第二模型的训练过程，可以采用任一种模型训练过程进行实施。

基于上述步骤92的相关内容可知，在获取到第二模型之后，可以利用第一扩充数据、第二扩充数据和第一训练数据对该第二模型进行训练，并将训练好的第二模型确定为衰减趋势确定模型。

基于上述步骤91至步骤92的相关内容可知，本申请实施例中，在获取到第一扩充数据、第二扩充数据和第一训练数据之后，可以先利用第一扩充数据和第一训练数据对基础预测模型进行训练，并将训练好的基础预测模型确定为第二模型；再利用第一扩充数据、第二扩充数据和第一训练数据对该第二模型进行迁移学习，得到衰减趋势确定模型，如此能够有效地提高衰减趋势确定模型的预测准确性。

基于上述S104的第二种可能的实施方式的相关内容可知，在获取到第二训练数据和第一训练数据之后，可以利用第二训练数据和第一训练数据对基础预测模型进行迁移学习，得到衰减趋势确定模型，如此能够有效地提高衰减趋势确定模型的预测准确性。

基于上述S101至S104的相关内容可知，在本申请实施例提供的衰减趋势确定模型构建方法中，在获取根据实验电池的耐久性实验数据确定的第一训练数据和使用电池的电池状态数据之后，先利用第一训练数据对机器学习模型进行训练，得到基础预测模型；再根据该使用电池的电池状态数据和该基础预测模型，生成第二训练数据；最后，根据该第二训练数据和该第一训练数据生成衰减趋势确定模型。

其中，因第一训练数据是根据实验电池的耐久性实验数据确定的，使得第一训练数据能够表示出车辆电池在耐久性实验下的容量衰减趋势；又因第二训练数据是根据使用电池的电池状态数据确定的，使得第二训练数据能够表示出车辆电池在实际应用中的容量衰减趋势，如此使得基于第二训练数据和第一训练数据生成的衰减趋势确定模型能够准确地预测出车辆电池的容量衰减趋势数据。

另外，因大量使用电池的电池状态数据的获取过程比较简单，使得在衰减趋势确定模型的构建过程中无需使用大量耐久性实验数据，如此能够有效地降低获取训练数据时的资源消耗，从而能够有效地节约衰减趋势确定模型的构建过程。又因大量使用电池的电池状态数据几乎能够覆盖所有电池工况条件，使得基于使用电池的电池状态数据生成的第二训练数据几乎能够覆盖所有电池工况条件，从而使得基于第二训练数据和第一训练数据生成的衰减趋势确定模型能够准确地确定出车辆电池在各种电池工况条件下的容量衰减趋势数据，如此有利于提高车辆电池的容量衰减趋势数据的确定准确性。

基于上述方法实施例提供的衰减趋势确定模型构建方法的相关内容，本申请实施例还提供了一种衰减趋势确定方法，下面结合附图进行说明。

参见图2，该图为本申请实施例提供的一种衰减趋势确定方法的流程图。

本申请实施例提供的衰减趋势确定方法，包括S201-S202：

S201：获取目标电池的电池状态数据。

其中，目标电池是指需要进行容量衰减趋势数据预测的车辆电池。

目标电池的电池状态数据用于描述该目标电池的在被车辆使用时所具有的状态信息。

S202：将目标电池的电池状态数据输入预先构建的衰减趋势确定模型，得到该衰减趋势确定模型输出的目标电池的预测容量衰减趋势数据。

其中，衰减趋势确定模型用于根据车辆电池的电池状态数据预测该车辆电池的容量衰减趋势数据；而且该衰减趋势确定模型是利用本申请实施例提供的衰减趋势确定模型构建方法的任一实施方式进行构建的。

基于上述S201至S202的相关内容可知，在获取到目标电池的电池状态数据之后，可以直接将该目标电池的电池状态数据输入到预先构建的衰减趋势确定模型，得到该衰减趋势确定模型输出的目标电池的预测容量衰减趋势数据。其中，因衰减趋势确定模型能够准确地预测出车辆电池的容量衰减趋势数据，使得利用该衰减趋势确定模型预测得到的目标电池的预测容量衰减趋势数据更准确，如此有利于提高容量衰减趋势数据的准确性。

另外，本申请实施例不限定目标电池的预测容量衰减趋势数据的用途，可以通过终端设备显示给用户，也可以基于该目标电池的预测容量衰减趋势数据确定目标电池的剩余寿命，还可以基于该目标电池的预测容量衰减趋势数据确定目标电池是否异常……

基于上述方法实施例提供的衰减趋势确定模型构建方法，本申请实施例还提供了一种衰减趋势确定模型构建装置，下面结合附图进行解释和说明。

装置实施例一提供的衰减趋势确定模型构建装置的技术详情，请参照上述方法实施例。

参见图3，该图为本申请实施例提供的一种衰减趋势确定模型构建装置的结构示意图。

本申请实施例提供的衰减趋势确定模型构建装置300，包括：

第一获取单元301，用于获取第一训练数据和使用电池的电池状态数据；其中，所述第一训练数据是根据实验电池的耐久性实验数据确定的；

模型训练单元302，用于利用第一训练数据对机器学习模型进行训练，得到基础预测模型；

第一生成单元303，用于根据所述使用电池的电池状态数据和所述基础预测模型，生成第二训练数据；

第二生成单元304，用于根据所述第二训练数据和所述第一训练数据，生成衰减趋势确定模型。

在一种可能的实施方式下，所述第一训练数据包括实验电池的电池状态数据和所述实验电池的标签容量衰减趋势数据；

所述模型训练单元302，具体用于：

将所述实验电池的电池状态数据输入所述机器学习模型，得到所述机器学习模型输出的所述实验电池的第一预测容量衰减趋势数据；

根据所述实验电池的第一预测容量衰减趋势数据和所述实验电池的标签容量衰减趋势数据，更新所述机器学习模型，并继续执行所述将所述实验电池的电池状态数据输入所述机器学习模型及其后续步骤，直至在达到第一停止条件时，根据所述机器学习模型，确定基础预测模型。

在一种可能的实施方式下，所述第一生成单元303，包括：

第一确定子单元，用于将所述使用电池的电池状态数据输入所述基础预测模型，得到所述基础预测模型输出的所述使用电池的第一预测容量衰减趋势数据和所述使用电池的预测置信度；

第二确定子单元，用于在确定所述使用电池的预测置信度高于第一阈值时，根据所述使用电池的第一预测容量衰减趋势数据，确定所述使用电池的标签容量衰减趋势数据；

第三确定子单元，用于根据所述使用电池的电池状态数据和所述使用电池的标签容量衰减趋势数据，生成第二训练数据。

在一种可能的实施方式下，所述第一生成单元303还包括：

第四确定子单元，用于在确定所述使用电池的预测置信度不高于第一阈值时，获取所述使用电池的实际容量衰减趋势数据；

第五确定子单元，用于根据所述使用电池的实际容量衰减趋势数据，确定所述使用电池的标签容量衰减趋势数据。

在一种可能的实施方式下，所述第一训练数据包括实验电池的电池状态数据和所述实验电池的标签容量衰减趋势数据；

所述第二生成单元304，具体用于：

将所述实验电池的电池状态数据和所述使用电池的电池状态数据输入所述机器学习模型，得到所述机器学习模型输出的所述实验电池的第二预测容量衰减趋势数据和所述使用电池的第二预测容量衰减趋势数据；根据所述实验电池的第二预测容量衰减趋势数据、所述实验电池的标签容量衰减趋势数据、所述使用电池的第二预测容量衰减趋势数据和所述使用电池的标签容量衰减趋势数据，更新所述机器学习模型，并继续执行所述将所述实验电池的电池状态数据和所述使用电池的电池状态数据输入所述机器学习模型及其后续步骤，直至在达到第二停止条件时，根据所述机器学习模型，确定衰减趋势确定模型；

或者，

所述第二生成单元304，具体用于：

将所述实验电池的电池状态数据和所述使用电池的电池状态数据输入所述基础预测模型，得到所述基础预测模型输出的所述实验电池的第三预测容量衰减趋势数据和所述使用电池的第三预测容量衰减趋势数据；根据所述实验电池的第三预测容量衰减趋势数据、所述实验电池的标签容量衰减趋势数据、所述使用电池的第三预测容量衰减趋势数据和所述使用电池的标签容量衰减趋势数据，更新所述基础预测模型，并继续执行所述将所述实验电池的电池状态数据和所述使用电池的电池状态数据输入所述基础预测模型及其后续步骤，直至在达到第三停止条件时，根据所述基础预测模型，确定衰减趋势确定模型。

在一种可能的实施方式下，所述第二训练数据包括第一扩充数据和第二扩充数据；

当所述使用电池为N个时，所述第二训练数据的生成过程为：

将所述第i个使用电池的电池状态数据输入所述基础预测模型，得到所述基础预测模型输出的所述第i个使用电池的第四预测容量衰减趋势数据和所述第i个使用电池的预测置信度；在确定所述第i个使用电池的预测置信度高于第二阈值时，根据所述第i个使用电池的电池状态数据和所述第i个使用电池的第四预测容量衰减趋势数据，确定第一扩充数据；在确定所述第i个使用电池的预测置信度不高于第二阈值时，获取所述第i个使用电池的实际容量衰减趋势数据，并根据所述第i个使用电池的电池状态数据和所述第i个使用电池的实际容量衰减趋势数据，确定第二扩充数据；其中，i为正整数，i≤N；

根据所述第一扩充数据和所述第二扩充数据，确定所述第二训练数据。

在一种可能的实施方式下，所述第二生成单元304，具体用于：

利用所述第一扩充数据和所述第一训练数据对所述机器学习模型进行训练，得到第一模型；利用所述第一扩充数据、所述第二扩充数据和所述第一训练数据对所述第一模型进行训练，得到衰减趋势确定模型；

或者，

所述第二生成单元304，具体用于：

利用所述第一扩充数据和所述第一训练数据对所述基础预测模型进行训练，得到第二模型；利用所述第一扩充数据、所述第二扩充数据和所述第一训练数据对所述第二模型进行训练，得到衰减趋势确定模型。

基于上述装置实施例一提供的衰减趋势确定模型构建装置300的相关内容可知，在衰减趋势确定模型构建装置300中，获取第一训练数据和使用电池的电池状态数据；利用第一训练数据对机器学习模型进行训练，得到基础预测模型；根据所述使用电池的电池状态数据和所述基础预测模型，生成第二训练数据；根据所述第二训练数据和所述第一训练数据，生成衰减趋势确定模型。其中，所述第一训练数据是根据实验电池的耐久性实验数据确定的。

可见，因第一训练数据是根据实验电池的耐久性实验数据确定的，使得第一训练数据能够表示出车辆电池在耐久性实验下的容量衰减趋势；又因第二训练数据是根据使用电池的电池状态数据确定的，使得第二训练数据能够表示出车辆电池在实际应用中的容量衰减趋势，如此使得基于第二训练数据和第一训练数据生成的衰减趋势确定模型能够准确地预测出车辆电池的容量衰减趋势数据。

另外，因大量使用电池的电池状态数据的获取过程比较简单，使得在衰减趋势确定模型的构建过程中无需使用大量耐久性实验数据，如此能够有效地降低获取训练数据时的资源消耗，从而能够有效地节约衰减趋势确定模型的构建过程。又因大量使用电池的电池状态数据几乎能够覆盖所有电池工况条件，使得基于使用电池的电池状态数据生成的第二训练数据几乎能够覆盖所有电池工况条件，从而使得基于第二训练数据和第一训练数据生成的衰减趋势确定模型能够准确地确定出车辆电池在各种电池工况条件下的容量衰减趋势数据，如此有利于提高车辆电池的容量衰减趋势数据的确定准确性。

基于上述方法实施例提供的衰减趋势确定方法，本申请实施例还提供了一种衰减趋势确定装置，下面结合附图进行解释和说明。

装置实施例二提供的衰减趋势确定装置的技术详情，请参照上述方法实施例。

参见图4，该图为本申请实施例提供的一种衰减趋势确定装置的结构示意图。

本申请实施例提供的衰减趋势确定装置400，包括：

第二获取单元401，用于获取目标电池的电池状态数据；

趋势预测单元402，用于将所述目标电池的电池状态数据输入预先构建的衰减趋势确定模型，得到所述衰减趋势确定模型输出的所述目标电池的预测容量衰减趋势数据；其中，所述衰减趋势确定模型是利用本申请实施例提供的衰减趋势确定模型构建方法的任一实施方式进行构建的。

基于上述装置实施例二提供的衰减趋势确定装置400的相关内容可知，在衰减趋势确定装置400中，在获取到目标电池的电池状态数据之后，可以直接将该目标电池的电池状态数据输入到预先构建的衰减趋势确定模型，得到该衰减趋势确定模型输出的目标电池的预测容量衰减趋势数据。其中，因衰减趋势确定模型能够准确地预测出车辆电池的容量衰减趋势数据，使得利用该衰减趋势确定模型预测得到的目标电池的预测容量衰减趋势数据更准确，如此有利于提高容量衰减趋势数据的准确性。

另外，本申请实施例还提供了一种设备，所述设备包括处理器以及存储器：所述存储器用于存储计算机程序；所述处理器用于根据所述计算机程序执行本申请实施例提供的衰减趋势确定模型构建方法的任一实施方式，或者执行本申请实施例提供的衰减趋势确定方法的任一实施方式。

另外，本申请实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行本申请实施例提供的衰减趋势确定模型构建方法的任一实施方式，或者执行本申请实施例提供的衰减趋势确定方法的任一实施方式。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。